本文将基于前文搭建的模拟临床试验数据集与预设的O’Brien‑Fleming序贯设计方案，系统完成期中数据拆分、基线统计量计算、数据质量核验等关键步骤，夯实后续观测Z值计算、序贯边界比对与期中疗效决策的数据基础，完整还原真实临床试验期中分析的标准化实操流程。一、回顾前文代码与复现在正式计算期中观测Z统计量之前，我们必须完整复现前面两节全部R代码，保证数据集、序贯设计对象完全对齐，避免随机数漂移带来结果不一致（下面代码已经进行了精简，大家可以复制黏贴）。set.seed(20260825) n - 300 trial_data - data.frame(ID = 1:n,Treatment = rep(c("Placebo", "Drug"), each = n/2),Age = rnorm(n, 50, 8)) trial_data$Baseline_SBP - rnorm(n, 135, 8) trial_data$SBP_Change - ifelse(trial_data$Treatment == "Drug",rnorm(n, -15, 8),rnorm(n, -9, 8)) trial_data$SBP_Week4 - trial_data$Baseline_SBP +
本文将基于前文搭建的模拟临床试验数据集与预设的O’Brien‑Fleming序贯设计方案，系统完成期中数据拆分、基线统计量计算、数据质量核验等关键步骤，夯实后续观测Z值计算、序贯边界比对与期中疗效决策的数据基础，完整还原真实临床试验期中分析的标准化实操流程。一、回顾前文代码与复现在正式计算期中观测Z统计量之前，我们必须完整复现前面两节全部R代码，保证数据集、序贯设计对象完全对齐，避免随机数漂移带来结果不一致（下面代码已经进行了精简，大家可以复制黏贴）。set.seed(20260825) n - 300 trial_data - data.frame(ID = 1:n,Treatment = rep(c("Placebo", "Drug"), each = n/2),Age = rnorm(n, 50, 8)) trial_data$Baseline_SBP - rnorm(n, 135, 8) trial_data$SBP_Change - ifelse(trial_data$Treatment == "Drug",rnorm(n, -15, 8),rnorm(n, -9, 8)) trial_data$SBP_Week4 - trial_data$Baseline_SBP +
